基于Gabor优化选择的彩色图像边缘检测算法

针对图像边缘检测过程中易出现图像细节信息丢失以及边缘断裂等问题,提出一种基于Gabor优化选择的图像边缘检测算法。Gabor滤波器虚部可以较好地描述像素周围的方向变化信息以及伸缩、平移、旋转不变性。利用3个尺度8个方向的Gabor虚部滤波器组提取图像边缘特征;分别计算滤波后各图像的熵值,对于同一方向、不同尺度下的滤波图像,选择熵值最大的滤波通道作为最优;根据二范数进行边缘特征融合,通过迭代式阈值分割方法获得边缘检测结果。实验结果表明,所提算法边缘定位准确且边缘细节信息丰富,边缘连续度较高。     

基于粒子群优化算法与形态学的纸病图像检测方法

针对传统边缘检测算子对纸病图像检测的不足,提出了一种基于粒子群优化算法和数学形态学的边缘检测方法。首先通过粒子群优化算法得到图像最优分割阈值,将图像二值化,然后利用数学形态学中的腐蚀运算对纸病图像进行边缘检测。仿真结果表明,相比传统算法,该方法的检测结果更真实地反映了纸病图像的形态特征,且边缘定位准确,取得了较为理想的检测效果。     

基于形态学梯度重建的分水岭算法改进研究

图像分割是图像分析和计算机视觉领域中一个最重要的处理过程,常用的边缘检测算子存在边缘定位不准等缺点,而传统的分水岭算法则对噪声敏感且存在过分割的问题。本研究提出基于形态学梯度重建的改进型分水岭算法,该算法通过在人脸图像预处理过程中对图像进行中值滤波消除部分噪声,然后再对滤波后的图像进行增强对比度以及重构梯度图处理,最后利用分水岭算法对处理后的图像进行分割。仿真实验应用不同的算法对同一图像进行计算分割,对比结果显示,本研究提出的方法能够较好地抑制过分割,并且能够分割出人脸图像的主要特征。     

图像融合中角点检测技术研究

角点是图像很重要的特征,对图像图形的理解和分析有很重要的作用。角点检测在光流计算、运动估计、形状分析、相机标定和3D重建、视觉的定位和测量等方面有着重要的应用。根据实现方法不同,可将角点检测算法分为：基于模板的方法、基于边缘的方法、基于灰度值变化的方法。对上述几种方法进行了分析,回顾了各种处理方法的发展现状。指出,随着数学理论的完善和发展,利用小波分析和数学形态学的角点检测方法已经成为人们研究的热点。     

基于机器视觉的谷糙分界线检测方法

目的：精准识别谷糙分界线。方法：提出一种基于直线边缘检测的谷糙分界线识别方法。该方法对不同颜色特征的谷糙分离图像进行模型匹配，将不同匹配结果的图像采用对应的灰度化处理方式；并利用直线边缘检测算法对该边缘进行灰度波动变换、差分处理得到目标位置。结果：相较于传统的边缘检测方法，该方法将误差范围控制在5%以内，大幅提高了识别精度。结论：该方法的识别误差相对较小，适合用于谷糙分界线的识别应用。     

小波变换和曲波变换的图像边缘检测新算法

边缘包含着图像的许多信息,它也是图像最基本的特征。目前,图像边缘检测是一个热门的研究问题,许多专家对其进行了研究,也取得了较理想的研究成果。专家就图像边缘检测的问题提出了许多新的算法,其中就包括小波变换和曲波变换相结合的图像边缘检测新算法。文章就边缘检测问题,探讨了小波变换和曲波变换的图像边缘检测新算法。     

融合颜色和边缘特征的织物图像检索算法

为解决单一特征检索精度不高的问题,提出一种基于分块颜色直方图和边缘方向直方图的检索算法。将图像转换到HSV颜色空间,并进行图像分块得到子块颜色特征;通过Canny算子提取图像边缘信息,获得边缘方向特征;利用卡方距离分别度量颜色特征与边缘特征的相似性,实现图像检索。该算法对织物图像的平均检索查准率达80.83%。认为:该织物图像检索系统对织物检索有较高针对性,能够获得较好的检索效果。     

基于两重三帧差分的运动目标检测算法的研究

运动物体检测是计算机视觉和视频处理领域的一个非常重要的研究方向。本文提出了一种新的运动目标检测算法,通过利用连续5帧图像序列进行两次三帧差分运算并将其融合起来,本文称之为两重三帧差分算法。然后结合改进的基于4个方向的Sobsl边缘算子,进行边缘提取,最后通过图像二值化处理,去除无关的线条。经过实验验证,本算法操作简单,易于实现,能够有效地检测运动目标。     

浅谈区域生长法在车牌定位中的应用

图像分割是根据图像的一些特征或特征组合的相似性准则对图像进行处理分类,把图像空间分成若干个某些具有一致性属性的不重叠区域。人们在几十年来一直对图像分割方法进行研究,到目前为止,已经有大量的关于图像分割的理论、技术、方法被人们相继提出并广泛应用。图像分割方法大致分为三类:基于阈值的分割方法、基于边缘检测的方法和基于区域的分割方法。在本文中,将主要对区域生长法加以研究,并且应用区域生长法完成对汽车车牌的定位。     

基于图像边缘特征的领带花型检索方法

为了提高领带花型检索的速度和准确度,提出了一种基于图像边缘特征的检索方法。首先,对图案进行边缘检测,提取领带花型的轮廓,量化为边缘特征值;然后,分析边缘特征值分布的数理统计特性,将花型分为条纹、多边形和复杂图案 3 个大类;最后,将待检索花型与数据库内同类花型进行匹配,选取最相似的花型图案。结果表明,基于图像边缘特征的检索方法能够精确地检索相似的领带花型,并且计算量小,检测速度快,可以满足实际应用的需求。     

基于小波的多尺度图像边缘提取的实验设计

设计了基于小波的多尺度图像边缘算法的实验。通过此实验,在熟练掌握图像边缘提取的经典算法基础上,了解小波对于图像多层提供可实现上述方法的matlab程序代码,学生可利用相关程序对图像进行边缘提取,比较边缘提取利用不同方法获得不同特征的边缘。在数字图像实验中首次引入小波的多尺度图像边缘算法。     

基于算子的人体数字图像边缘检测算法

研究数字图像边缘检测的原理以及三大类基于算子的边缘检测算法,并将其应用到二维非接触式测量系统的图像边缘提取过程。通过对各算子的实际应用效果分析,Sobel与Smoothed边缘算子的图像增强效果较好,可有效排除噪声干扰,且轮廓线清晰,有利于轮廓跟踪、修补,从而使系统获取到连续清晰的人体边缘曲线。     

基于关键点保留的大米二值图像细化算法

传统的图像边缘检测算子一般都只能得到多像素宽度的边缘,这为后续的图像处理带来了一定困难。对大米二值图像的细化的程度直接影响颗粒特征的提取以及颗粒的识别,这也是开发大米检测系统软件部分又一个关键的课题。结合边缘走向趋势的估计技术以及对关键点判断的方法,提出一种新型的边缘细化算法—保持关键点的边缘细化算法。实验证明该算法能在保持边缘原有信息(连通和走向)的前提下,以较小的计算开销,满足物体骨架单像素宽为1的细化要求,实用性比较强。     

应用Canny算子的织物疵点检测改进算法

为克服当前Canny算子在织物疵点边缘检测中存在的阈值设定、滤波参数选择等自适应问题,提出一种基于Canny算子的改进算法。通过分析不同种类的织物疵点特征,选择不同参数的高斯滤波器,对织物疵点图像进行滤波处理;采用自适应形式获取图像边缘信息的阈值,避免了因阈值取值过高或过低而无法获得较好织物疵点的边缘信息的问题,同时还可根据不同织物疵点类型选择不同的滤波参数。结果表明,改进后的Canny算法可有效地检测到织物疵点的边缘细节,具有较好的自适应能力,并且提高了算法的有效性。同时对典型的织物疵点进行检测并与传统算法比较,其检测效果更优。     

应用显著性算法的纱线条干均匀度检测

针对运用图像方法进行纱线条干均匀度检测时,背景黑板、纱线毛羽以及图像噪声等对检测结果影响较大的问题,借鉴人的视觉感知机制,提出一种应用显著性算法检测纱线条干均匀度的方法。对采集到的纱线图像提取颜色和亮度特征,进行显著性分析,突出纱线条干区域,然后利用迭代阈值分割算法和区域滤波,得到准确清晰的纱线条干二值图像,基于此进行直径计算、均匀度分析和纱线疵点判定。通过边缘准确性评价可知,采用所提方法分割得到的纱线条干二值图像有着较高的分割精度。通过与Uster Classimat 5的均匀度检测结果进行比较,证明这种方法可得到准确的结果,与Used Classimat 5 的测量结果有着较好的一致性。     

基于小波包分解的边缘检测算法

边缘检测是图像处理中极其重要的一方面,文章简要介绍了传统的图像边缘提取算法,并提出了基于小波包分解的图像边缘提取方法。通过Matlab仿真实验,结果证明了基于小波包分解的边缘检测算法的优越性。     

马尔可夫随机场在纸病检测中的应用研究

纸病检测是造纸生产过程中重要的环节,现有的纸病检测系统一般采用阈值算法或边缘检测算法对图像进行分割。为解决阈值分割和边缘检测分割方式中存在的误分以及过度分割问题,本研究提出了基于马尔可夫（MarKov）随机场的纸病图像分割方法。通过MarKov随机场理论对纸病图像纹理进行分析得到纹理特征参数,利用纹理特征参数以及最大差值对正常背景和纸病区域进行分割。结果表明,相比于其他分割算法,基于MarKov随机场的纸病图像分割方法可有效提取出纸病图像的纹理细节和轮廓特征,提高分割的准确度。     

基于多尺度特征融合注意力机制的纸病分类方法研究

针对造纸工业中传统纸病分类算法准确率低的问题,本课题提出一种多尺度图像增强结合注意力机制的方法;采用锐化滤波器和对比度增强操作获得图像对直线信息的响应,同时利用Sobel边缘检测获取图像对边缘信息的响应,然后将这些响应分别放进卷积神经网络(CNN)中提取浅层局部信息后进行特征融合,得到全局信息,最后利用注意力机制,通过关注这些图像中最有特点的部分,进行纸病分类。实验表明,该方法优于HOG+SVM、LBP+SVM以及传统CNN等方法,在自建数据集上,分类准确率可达到96.63%;与现有基于CNN的纸病分类算法相比,所需的数据量更少,分类效果更好。     

基于机器视觉的低对比度纸病识别算法研究

利用机器视觉识别纸病时,若背景与目标纸病的对比度低,且采用单一的边缘检测算法,将会出现对目标纸病边缘定位不准确、抗噪性能不好等问题。对此,提出了一种解决方法,即首先分别用LOG算子和基于数学形态学的边缘检测方法对低对比度纸病图像进行边缘检测,然后对这两种边缘检测算法得到的图像进行小波融合,融合得到的图像中纸病边缘定位准确且具有一定的抗噪性,最后,对此进行了实验验证。研究结果表明,文中提出的解决方法可行,即可将该方法用于基于机器视觉的低对比度纸病识别。     

应用积分图的织物瑕疵检测快速算法

为解决现有基于图像处理的织物瑕疵检测算法实时性较差、正确率偏低等问题,提出一种包含学习和检测2个阶段的瑕疵检测算法。通过对无瑕疵模板图像的梯度能量特征及其分布特性的学习,自适应获得检测阶段所需的参数。一方面利用积分图原理将任意大小的图像块内的求和运算化简为三次加法运算,快速提取织物图像的梯度能量特征,实现织物瑕疵的实时检测,另一方面利用核函数拟合特征参数分布,结合均值漂移法求解分布峰值获得自适应的瑕疵判定阈值参数,实现织物瑕疵的准确分割。通过实验将本文算法与现有基于局部二值模式特征、小波特征、规则带特征等算法进行对比,针对包含3种纹理6类瑕疵的织物图像数据集的测试结果显示,本文算法平均处理时间为56ms,正确率为97%。